Úvod do kolaborativního filtrování

Big Data Fundamentals with PySpark

Upendra Devisetty

Science Analyst, CyVerse

Co je kolaborativní filtrování?

Kolaborativní filtrování hledá uživatele se společnými zájmy
Kolaborativní filtrování se běžně používá v doporučovacích systémech
Přístupy ke kolaborativnímu filtrování:
- Uživatel–uživatel: Hledá uživatele podobné cílovému uživateli
- Položka–položka: Hledá a doporučuje položky podobné těm, se kterými cílový uživatel interagoval

from pyspark.mllib.recommendation import Rating 
r = Rating(user = 1, product = 2, rating = 5.0)
(r[0], r[1], r[2])

(1, 2, 5.0)

Rozdělení dat na trénovací a testovací sadu je klíčové pro vyhodnocení prediktivních modelů
Trénovací sada obvykle obsahuje větší část dat než testovací
Metoda randomSplit() v PySparku náhodně rozdělí data podle zadaných vah a vrátí více RDD

data = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
training, test=data.randomSplit([0.6, 0.4])
training.collect()
test.collect()

[1, 2, 5, 6, 9, 10]
[3, 4, 7, 8]

Algoritmus Alternating Least Squares (ALS) v spark.mllib zajišťuje kolaborativní filtrování
ALS.train(ratings, rank, iterations)

r1 = Rating(1, 1, 1.0)
r2 = Rating(1, 2, 2.0)
r3 = Rating(2, 1, 2.0)
ratings = sc.parallelize([r1, r2, r3])
ratings.collect()

[Rating(user=1, product=1, rating=1.0),
 Rating(user=1, product=2, rating=2.0),
 Rating(user=2, product=1, rating=2.0)]

model = ALS.train(ratings, rank=10, iterations=10)

Metoda predictAll() vrací seznam předpovězených hodnocení pro zadané páry uživatel–produkt
Metoda přijímá RDD bez hodnocení a tato hodnocení vygeneruje

unrated_RDD = sc.parallelize([(1, 2), (1, 1)])

predictions = model.predictAll(unrated_RDD)
predictions.collect()

[Rating(user=1, product=1, rating=1.0000278574351853),
 Rating(user=1, product=2, rating=1.9890355703778122)]

rates = ratings.map(lambda x: ((x[0], x[1]), x[2]))
rates.collect()

[((1, 1), 1.0), ((1, 2), 2.0), ((2, 1), 2.0)]

preds = predictions.map(lambda x: ((x[0], x[1]), x[2]))
preds.collect()

[((1, 1), 1.000027857), ((1, 2), 1.9890355703)]

rates_preds = rates.join(preds)
rates_preds.collect()

[((1, 2), (2.0, 1.9890355703)), ((1, 1), (1.0, 1.000027857))]

MSE je průměr čtverce hodnoty (actual rating - predicted rating)

MSE = rates_preds.map(lambda r: (r[1][0] - r[1][1])**2).mean()

Big Data Fundamentals with PySpark